【Prometheus】Prometheus的特点、数据采集方式、架构、数据模型详解

news2024/11/27 18:30:09

在这里插入图片描述

✨✨ 欢迎大家来到景天科技苑✨✨

🎈🎈 养成好习惯，先赞后看哦~🎈🎈

🏆 作者简介：景天科技苑
🏆《头衔》：大厂架构师，华为云开发者社区专家博主，阿里云开发者社区专家博主，CSDN全栈领域优质创作者，掘金优秀博主，51CTO博客专家等。
🏆《博客》：Python全栈，前后端开发，小程序开发，人工智能，js逆向，App逆向，网络系统安全，数据分析，Django，fastapi，flask等框架，云原生k8s，Prometheus监控，linux，shell脚本等实操经验，网站搭建，数据库等分享。

所属的专栏：Prometheus监控系统零基础到进阶
景天的主页：景天科技苑

在这里插入图片描述

文章目录

  • 1、Prometheus的特点
    • 1.1 多维数据模型
    • 1.2 强⼤的PromQL
    • 1.4 多种服务发现
    • 1.5 可扩展的架构
    • 1.6 总结
  • 2、Prometheus数据采集
    • 2.1 Prometheus数据采集⽅式
    • 2.2 Prometheus作业与实例
  • 3、Prometheus架构
    • 3.1 Prometheus⽣态组件
    • 3.2 Prometheus⼯作逻辑
  • 4、Prometheus数据模型
    • 4.1 数据模型基础
    • 4.2 指标名称MetricName
    • 4.3 指标标签Labels

1、Prometheus的特点

1.1 多维数据模型

Prometheus 采⽤多维度的数据模型，可以对不同维度的数据进⾏监控和分析，同时PromQL可以对数据进⾏复杂的计算、过滤和查询等操作。
当使⽤Prometheus 监控⼀个 Web 服务时，通常需要收集的数据包括：服务地址以及端⼝、请求uri、请求的⽅法、请求的次数、以及请求状态码等指标。
在 Prometheus 的多维数据模型中，我们可以通过定义不同的标签来为"同⼀个指标"添加不同的维度。
例如，我们可以定义 http_total 为⼀个指标名称，它⽤于记录 HTTP 的总请求数，同时使⽤实例（instance）、路径（path）、⽅法（method）等标签来为该指标添加不同的维度。

假设我们有两个实例，分别是 ip1 和 ip2，我们可以⽤以下⽅式记录数据：

# 这⾥我们记录了每个实例上的 HTTP 请求总数，并通过不同的标签来记录请求、路径以及⽅法等
http_total{instance="ip1", path="/api", method="GET"} 500
http_total{instance="ip1", path="/api", method="POST"} 200
http_total{instance="ip2", path="/user", method="GET"} 1000
http_total{instance="ip2", path="/user", method="POST"} 300

有了这些指标对应的数据后，我们就可以通过PromQL来对数据进⾏各种统计和分析，例如，可以查询ip1这个实例上的 HTTP 请求数的总和

sum(http_total{instance="ip1"})
# 结果展示
{} 700

当然也可以查询某个路径上的请求⽅法分布情况，
例如：统计所有http请求中
path=“/api” 的总次数，然后基于method标签进⾏分组，可以拿到请求/api这个接⼝，GET⽅法请求了多少次，POST⽅法请求了多少次。

sum (http_total{path="/api"}) by (method)
# 结果展示
{method="GET"} 500
{method="POST"} 200

总之，通过多维数据模型，我们可以为每个指标添加不同的维度，同时也可以根据不同的维度进⾏数据的灵活查询与聚合等操作。

1.2 强⼤的PromQL

PromQL（Prometheus Query Language）是 Prometheus 的核⼼特性，它提供了强⼤且灵活的查询功能。相⽐之下，许多传统的监控系统只能进⾏简单的数据过滤和阈值判断，⽽缺乏类似的查询语⾔。
当我们需要特定的数据在原始数据中没有时，许多监控系统会在数据采集阶段（即在源头收集数据的阶段）进⾏处理。然⽽，数据采集阶段并不适合进⾏所有的计算场景。

以机器内存监控为例，我们可以从 /proc/meminfo 获得各种相关数据，如 MemAvailable 和 MemTotal 。但是操作系统并不直接提供“内存使⽤率”相关的指标。
在Zabbix中，你需要在数据源（被监控端）预先计算出内存使⽤率，然后传递给Zabbix服务器进⾏监控和告警。
而在Prometheus中，我们可以利⽤其查询语⾔PromQL在中⼼服务器上直接计算内存使⽤率： MemAvailable / MemTotal * 100 ，这种设计理念使Prometheus在处理复杂计算和告警场景
时具有更⾼的灵活性。
数据采集阶段专注于收集原始数据，⽽复杂的计算由中⼼服务器（即Prometheus）处理。

通过PromQL可以轻松解决如下问题：
预测在12⼩时后，磁盘空间是否会被占满？
CPU占⽤率前5位的服务有哪些？(过滤)
过去1分钟的系统负载超过了其 CPU 核⼼数两倍的实例有哪些？

4.3 ⾼效的数据存储
Prometheus 使⽤专⽤的时间序列数据库。这种数据库⾮常强⼤，能够“容纳和处理”数以百万计的监控指标。这些监控指标，都按照时间顺序排列并储存，每个数据点都配有⼀个时间戳。
所有的监控数据都精确地记录在这个时间点上。所以当你想要查看某个特定时间点的数据时，你可以直接提取对应的时间点，快速地找到所需的数据。⽆需遍历整个数据库。
在这里插入图片描述

Prometheus不仅拥有⾼效的查询能⼒，⽽且还具有出⾊的存储效率，这主要
得益于它所采⽤的压缩算法。该算法使得每个数据点所占⽤的存储空间约3.5字节。
这种优化的存储⽅式⼤幅的降低了IO操作，以及存储的成本。
根据官⽅的数据，百万条的时间序列数据，每30秒记录⼀次，并且需要保留60天的历史数据，仅需要200GB左右的存储空间。这种⾼效的存储⽅式使Prometheus能够轻松处理⼤规模数据，同时维持低成本。

1.4 多种服务发现

在实际应⽤中，我们监控的实例或者服务经常会发⽣动态变化，如容器实例的
创建和销毁等，因此Prometheus提供了多种服务发现⽅式来应对这种挑战。
这些⽅式包括：
1、静态服务配置：可以通过配置⽂件指定固定地址和端⼝，对⽬标服务进⾏监控。
2、基于配置⽂件的发现机制：以配置⽂件作为发现的源头，通过监控这些⽂件的变动来动态调整监控⽬标的增加或减少。
通常会配合如像Ansible这样的⼯具⼀起使⽤，对配置⽂件进⾏批量更新，只需要让Prometheus
重新加载这些配置，就能⾃动适应新的监控环境。
3、基于注册中⼼的发现机制：在微服务架构中，常常会使⽤Consul等服务注册中⼼来管理所有的服务。
Prometheus可以读取Consul中的服务列表，从⽽⾃动发现并开始监控所有注册的服务。
4、基于公有云API的发现机制：当你需要监控公有云上的RDS服务时，⼀条条配置⾮常麻烦，这个时候就可以使⽤Prometheus基于公有云的OpenAPI进⾏服务发现。
例如，配置Prometheus⾃动拉取AWS账号下所有RDS实例的列表，从⽽实现对所有数据库实例的监控
5、基于 Kubernetes 的发现机制：在Kubernetes环境中，Prometheus可以通过调⽤kube-apiserver获取集群中的Node、Pod、Endpoint、Ingress等信息。
例如，如果你在Kubernetes集群中部署了⼀个新的应⽤，Prometheus可以⾃动发现并开始监控这个新的Pod。
6、基于 DNS、HTTP等等服务发现，使⽤的不多，就不⼀⼀展开
https://prometheus.io/docs/prometheus/latest/configuration/configuration/
在这里插入图片描述

1.5 可扩展的架构

Prometheus⽀持横向扩展，可以通过部署多个实例、使⽤ “远程存储“ 或者使⽤Prometheus联邦等⽅式实现⾼可⽤和⾼性能的监控系统。
例如，为了应对⼤规模监控需求，可以部署多个Prometheus实例并将它们配置为监控不同的服务或资源。
同时，可以使⽤Prometheus将这些实例的数据汇总到⼀个中⼼实例中，实现统⼀的监控视图。
在这里插入图片描述

1.6 总结

综上所述Prometheus 具有灵活性、强⼤的查询语⾔、服务发现⾃动化、数据采集⾼效、架构可扩展等特点，是⼀款⾮常适合⽤于⼤规模监控系统的开源软件。

2、Prometheus数据采集

2.1 Prometheus数据采集⽅式

在传统的Zabbix监控系统中，通常是需要在被监控的节点上安装Agent代理程序。由Agent代理程序定期收集指标数据，并将其发送到监控服务器，完成数据采集。
在这里插入图片描述

在Prometheus中，被监控端⽆需安装专⻔的Agent。它只需要“被监控端通过HTTP协议开放出符合Prometheus规范的指标数据”，Prometheus就能够顺利完成数据抓取。
在这里插入图片描述

但是，并不是所有的应⽤或服务都能直接⽀持HTTP协议并提供符合Prometheus所兼容的指标格式。
因此，Prometheus设计了三种主要的数据抓取机制，即Instrumentation、Exporter和PushGateway

1、 Instrumentation ：被监控端通过HTTP暴露出Prometheus格式的数据，Prometheus就可以直接采集，这就是所谓的Instrumentation。像 Kubernetes、Haproxy、Zookeeper、RabbitMQ、Etcd 等应⽤程序原⽣就⽀持暴露指标，可以直接被Prometheus所监控。
对于Python、Java、Go这些开发语⾔编写的业务应⽤，开发⼈员可以直接引⽤Prometheus客户端库来编写代码，让应⽤程序原⽣就能⽀持暴露需要监控的指标数据，这些指标数据可以直接被Prometheus采集。
这就相当于应⽤程序本身具备了与Prometheus 通信的能⼒，⽆需额外的中间件来转换数据。

2、 Exporter（导出器） ：有些应⽤程序并不原⽣⽀持通过 HTTP 协议暴露指标数据。对于这类应⽤，我们可以使⽤ Exporter 来代为采集指标。
Exporter 是⼀个独⽴的运⾏程序，负责从⽬标应⽤中采集原始格式的数据，并将其转换为 Prometheus 可以理解的格式，然后通过HTTP协议暴露出来，供Prometheus抓取指标。
简单来说，Exporter 就像⼀个翻译官，将⽬标应⽤程序的数据翻译成 Prometheus 可以读懂的语⾔。

3、PushGateway（推送⽹关） ：对于那些⽣命周期较短或者不⽅便被Prometheus 主动拉取数据的应⽤程序（如短暂运⾏的脚本任务）可以使⽤PushGateway。
让这些短暂运⾏的脚本程序，将对应的指标数据主动推送到PushGateway，然后 Prometheus 从 PushGateway 中抓取(pull)这些数据。PushGateway 就像⼀个中间站，存储这些短暂任务产⽣的指标数据，等待Prometheus 来抓取。
在这里插入图片描述

数据抓抓取：
    Prometheus仅支持Pull模型，主动抓去，并不支持Push
    Instrumentation：haproxy、
    exporter：类似于zabbix-agent、node_exporter、mysqld_exporter、nginx_exporter、jvm_exporter、tomcat_...
    pushgateway：  它支持短暂的脚本--push给 pushgateway    <--- pull  --- prometheus

2.2 Prometheus作业与实例

在Prometheus中，被监控的每⼀个对象都称为实例（Instance） 实例代表着⼀个独⽴的监控⽬标，它由IP地址加端⼝号组合⽽成，如 localhost:9090 。
在Prometheus的配置中，这些实例也可以被称
为”⽬标（Target）“或者“端点（Endpoint）”
为了⽅便管理这些⽬标实例，我们通常会将功能相似或者类型相同的（实例Instance）归纳到⼀个“作业（Job）”中。

实例（Instances）：实例指的是⼀个被监控的端点。它通常是指向⼀个运⾏的服务或应⽤程序的进程，每个实例都以host:port进⾏标识。例如，⼀个MySQL数据库服务运⾏在 10.0.0.51:3306 上，那么它就是⼀个实例。

作业（Jobs）：作业是⼀组具有相同类型的实例集合。例如，多个分布在不同服务器上MySQL应⽤，你可以将这些实例归类为同⼀个 mysql 的Job作业，而后按照Job分组后的维度进⾏分析。
在这里插入图片描述

在Prometheus的数据模型中，job和instance是两个核⼼的标签，它们会⾃动
附加到所有收集的时间序列数据上。如下所示：

# 查询
cpu_usage
# 结果
cpu_usage{job="node-exporter",instance="10.0.0.7"} 14.04
cpu_usage{job="node-exporter",instance="10.0.0.8"} 12.04
cpu_usage{job="node-exporter",instance="10.0.0.9"} 16.04

3、Prometheus架构

3.1 Prometheus⽣态组件

Prometheus最为核⼼的功能就是“数据采集”和“数据存储”。但是，仅有这两项功能并不能构成⼀个完整的监控系统。
因此，Prometheus需要与其他的组件进⾏结合，从而实现数据的分析、展示和告警，因此⼀个完整意义上的监控系统⼤体需要如下5个组成部分：

1、数据采集：Prometheus采⽤Pull模式主动向被监控端抓取指标数据。被监控端可以是直接暴露出的应⽤程序指标数据，也可以是通过安装Exporter来抓取和暴露应⽤程序的数据。只要是以Prometheus格式提供的指标数据，都可以被Prometheus抓取。

2、数据存储：Prometheus会将抓取到的数据，存储在本地的时间序列数据库中，以防止数据丢失。

3、数据查询和分析：Prometheus内置了强⼤的查询语⾔PromQL，⽤户可以通过PromQL查询存储在Prometheus上的时序数据，进⾏实时查询和分析。
同时PromQL⽀持多种聚合操作和数学运算，可以对数据进⾏深⼊分析。

4、告警系统：Prometheus的告警分为了两个部分组成，告警规则和Alertmanager。
告警规则定义在Prometheus服务器中，根据⽤户指定的条件触发告警。当告警触发时，Prometheus服务器会将告警信息发送给Alertmanager。
Alertmanager会对告警信息进⾏去重、分组，然后将告警消息通过媒介发送给接收者（如邮件、钉钉等）。

5、数据可视化：Prometheus内置了⼀个简单的图形界⾯，⽤户可以在Web浏览器中使⽤PromQL查询时序数据，并将查询结果以图形的形式展示出来。
此外，Prometheus还可以与第三⽅可视化⼯具（如Grafana）集成，提供更丰富的可视化功能。

3.2 Prometheus⼯作逻辑

了解Prometheus⽣态中的各个组件后，我们可以概括其⼯作流程：⽬标发现、数据抓取、存储、分析、告警和展示。
这些步骤共同构成了Prometheus强⼤的监控和告警系统。
在这里插入图片描述

1、⽬标发现：在开始监控之前，Prometheus需要确定监控⽬标。它可以通过静态的配置⽂件指定，或者利⽤服务发现机制动态地发现需要监控的服务。
例如，在Kubernetes环境中，Prometheus能够⾃动识别并监控集群中的服务，
确保随着集群的变化，监控⽬标始终是最新的。

2、数据抓取：有了明确的监控⽬标后，Prometheus通过HTTP协议定期从这些⽬标的 /metrics 端点抓取指标数据。这些端点暴露了各种监控指标。

3、数据存储：数据抓取后会存储在本地的时间序列数据库中。

4、数据分析：数据⼀旦被存储，就可以⽤PromQL查询语⾔，对其进⾏分析。
⽆论是实时监控还是历史数据分析，PromQL都能提供丰富的数据聚合功能，以洞察系统的状况。

5、告警：Prometheus根据预定义的规则进⾏评估。当监控的指标达到告警阈值时，Prometheus会将告警信息发送给Alertmanager，由Alertmanager进⾏告警处理并通知。

6、数据可视化：Prometheus⾃带了简单的UI。但对于更⾼级的数据可视化需求，通常会整合Grafana这样的⼯具来为⽤户提供直观的数据展现⽅式。

4、Prometheus数据模型

4.1 数据模型基础

Prometheus中最为重要的是，对指标进⾏抓取和存储，这些存储下来的数据可以帮助我们分析趋势，或预测未来。
为了更有⾼效的存储和查询这些数据，Prometheus使⽤了⼀种叫"时间序列"的数据格式进⾏存储，所谓时间序列就是按照时间顺序记录所采集到的指标以及指标数据。
而每个时间序列都是由“⼀个指标名称加⼀堆标签”所组成的⼀条唯⼀序列标识，其格式 ：

<metric_name>{<label_name>=<label_value>, <label_name>=<label_value>, ...} @<timestamp> <value>

举个例⼦：我们连续记录和测量“植物的⾼度”。在这个例⼦中：
1、metrics_name：记录“植物的⾼度”。
2、label_name和label_value：记录植物的其他信息，例如植物的种类为向⽇葵，所种植的位置是阳台，等等信息，这些这些额外的信息就被称为标签，它们会附加在指标上，帮助我们更好地分类和理解数据的意义。
3、timestamp和value：每次测量植物的⾼度，会记录下测量的⽇期（即时间戳）和那⼀天植物的⾼度（即值）。
在这里插入图片描述

通过这种⽅式，Prometheus可以跟踪，随时间变化的任何指标，并且可以通过标签来分类和组织这些数据。

4.2 指标名称MetricName

在监控系统中，我们需要抓取的指标⾮常多，如CPU使⽤率、内存使⽤情况、⽹络流量等。我们使⽤ MetricsName 来区分这些不同指标。
这些指标名称⼀般由⼩写字⺟、数字和下划线构成。例如， cpu_usage 这个指标代表CPU的使⽤率，它的值为 15.05 ，则表示当前CPU的使⽤率为 15.05% 。
在这里插入图片描述

但是，cpu_usage 这个指标并没有具体表明它是针对是哪个节点的 CPU 使⽤率，也没有指出是哪个 CPU 核⼼的使⽤率。
因此，为了区分，并确定不同节点上各个 CPU 核⼼的使⽤率，我们需要引⼊label（标签）这⼀机制。

4.3 指标标签Labels

标签以键值对的形式存在，为指标添加了详细信息和上下⽂（元数据）。例如，在我们之前提及的指标 cpu_usage 中，为了区分来⾃不同节点的 CPU使⽤情况，我们可以利⽤标签。
给每个节点的指标添加⼀个 instance 标签，就可以在查询和分析时，区分开每个节点的cpu使⽤率。
假设我们现在两个节点，名称分别为 node01.oldxu.net 和 node02.oldxu.net ，我们可以为各⾃的 cpu_usage 指标添加指定的 instance 标签：
在这里插入图片描述

当然标签除了区分节点之外，我们还可以使⽤标签来继续描述其他维度，例如CPU的各个核⼼的使⽤率。
我们可以添加⼀个 core 的标签来区分每个节点的CPU核⼼使⽤情况：
在这里插入图片描述

通过使⽤标签，我们能在 Prometheus 中查询和分析数据。例如，我们想查询node1上各个CPU核⼼使⽤情况，或者查询node02节点CPU的第0个核⼼使⽤情况

# 查询node01节点的各CPU核⼼使⽤率
cpu_usage{instance="node01.oldxu.net"}
# 结果
cpu_usage{instance="node01.oldxu.net",core="0"} 7.535
cpu_usage{instance="node01.oldxu.net",core="1"} 7.535
# 查询node02节点，核⼼为0的CPU使⽤率
cpu_usage{instance="node02.oldxu.net",core="0"}
# 结果
cpu_usage{instance="node01.oldxu.net",core="0"} 8.025

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2099965.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

vue3整合antv x6实现图编辑器快速入门

vue3整合antv x6实现图编辑器快速入门

安装&#xff1a; npm install antv/x6 --save如果使用 umd 包&#xff0c;可以使用下面三个 CDN 中的任何一个&#xff0c;默认使用 X6 的最新版&#xff1a; https://unpkg.com/antv/x6/dist/index.jshttps://cdn.jsdelivr.net/npm/antv/x6/dist/index.jshttps://cdnjs.clo…
阅读更多...
从汇编层看64位程序运行——likely提示编译器的优化案例和底层实现分析

从汇编层看64位程序运行——likely提示编译器的优化案例和底层实现分析

大纲 代码分析with_attributes::powno_attributes::pow分析 我们在《Modern C——使用分支预测优化代码性能》一文中介绍了likely提示编译器进行编译优化&#xff0c;但是我们又讲了最终优化不是对分支顺序的调换&#xff0c;那么它到底做了什么样的优化&#xff0c;让整体性能…
阅读更多...
个人旅游网(5)——功能详解——购物车功能

个人旅游网(5)——功能详解——购物车功能

文章目录 一、设计购物车二、购物车对redis的一系列操作三、购物车3.1、接口详解3.1.1、addCart&#xff08;将当前旅游路线加入到购物车中&#xff09;3.1.2、showCartItem&#xff08;显示刚刚加入购物车的商品&#xff09;3.1.3、findAll&#xff08;将购物车里的所有旅游路…
阅读更多...
骨灵冷火！Solon Cloud Gateway 照面发布

骨灵冷火！Solon Cloud Gateway 照面发布

骨灵冷火&#xff0c;是练药的好火哟。极冷&#xff0c;又极热。在冰冻中被烧死&#xff1a;&#xff09; 1、认识 Solon Cloud Gateway Solon Cloud Gateway 是基于 Solon Cloud、Vert.X 和 Solon Rx(reactive-streams) 接口实现。小特点&#xff1a; 纯响应式的接口体验流…
阅读更多...
KAN学习Day1——模型框架解析及HelloKAN

KAN学习Day1——模型框架解析及HelloKAN

说明 最近了解到了一个新东西——KAN&#xff0c;我的毕设导师给推荐的船新框架。我看过很多剖析其原理的文章&#xff0c;发现大家对其持有的观点都各不相同&#xff0c;有的说可以颠覆传统MLP&#xff0c;有的说可以和Transformer同等地位&#xff0c;但是也有人说它训练速度…
阅读更多...
YoloV8改进策略：IoU改进|Unified-IoU用于高质量对象检测

YoloV8改进策略：IoU改进|Unified-IoU用于高质量对象检测

摘要 Unified-Unified-IoU&#xff08;UIoU&#xff09;是一种新的边界框回归损失函数&#xff0c;旨在改进目标检测任务中的预测框质量&#xff0c;特别是在高IoU阈值和IoU&#xff08;UIoU&#xff09;是一种新的边界框回归损失函数&#xff0c;旨在改进目标检测任务中的预测…
阅读更多...
nginx的基本使用示例(负载均衡，虚拟主机，动静分离)的详细配置过程

nginx的基本使用示例(负载均衡，虚拟主机，动静分离)的详细配置过程

文章目录 前言前置工作httpd主机tomcat主机 nginx主机配置负载均衡配置过程效果展示 虚拟主机配置过程效果展示 动静分离配置过程 排除思路 前言 本篇博客展示nginx的基本使用案例&#xff0c;后端由httpdtomcat组成&#xff0c;linux版本: rocky9.2 虚拟机ipnginx192.168.10…
阅读更多...
安防监控视频打手机检测算法核心技术打手机检测算法源码、模型简介

安防监控视频打手机检测算法核心技术打手机检测算法源码、模型简介

在数字化的今天&#xff0c;智能手机几乎已成为人们生活中不可或缺的一部分。然而&#xff0c;手机的广泛使用也带来了一些挑战&#xff0c;比如在公共场所、教育机构和工作环境中的手机干扰。为了解决这些问题&#xff0c;打手机检测算法应运而生&#xff0c;成为管理人员和机…
阅读更多...
hive学习（六）

hive学习（六）

一、函数 1.单行函数 特点&#xff1a;输入一行&#xff0c;输出一行&#xff08;一进一出&#xff09; 可分为日期函数&#xff0c;字符串函数&#xff0c;集合函数&#xff0c;数学函数和流程控制函数等 1&#xff09;算术运算函数 2&#xff09;数值函数 --round函数 …
阅读更多...
机器学习如何用于音频分析？

机器学习如何用于音频分析？

机器学习如何用于音频分析&#xff1f; 一、说明 近十年来&#xff0c;机器学习越来越受欢迎。事实上&#xff0c;它被用于医疗保健、农业和制造业等众多行业。随着技术和计算能力的进步&#xff0c;机器学习有很多潜在的应用正在被创造出来。由于数据以多种格式大量可用&…
阅读更多...
电赛2024年H题智能小车基于MSPM0G3507主控MCU（利用8路灰度加上MPU6050的解决方式）

电赛2024年H题智能小车基于MSPM0G3507主控MCU（利用8路灰度加上MPU6050的解决方式）

一.前言 前段时间&#xff0c;激烈的电赛刚刚结束&#xff0c;很荣幸啊&#xff0c;也是十分的不甘心&#xff0c;本次的湖北赛区H题只拿到了一个省二&#xff0c;看最终的排名&#xff0c;在H题中我们离省一也就差几名。但是整个比赛已经过去了&#xff0c;现在不甘与不舍&…
阅读更多...
浏览器按F12进入开发者模式后频繁因为异常而暂停导致无法分析页面xpath

浏览器按F12进入开发者模式后频繁因为异常而暂停导致无法分析页面xpath

在分析某个内部页面xpath时&#xff0c;遇到一个问题&#xff0c;因为频繁异常而自动暂停导致无法分析页面xpath&#xff0c;如下图&#xff1a; 折腾良久发现把下图右侧的两个抛出异常自动暂停的开关 取消勾选就可以了
阅读更多...
微信小程序接入客服功能

微信小程序接入客服功能

前言 用户可使用小程序客服消息功能&#xff0c;与小程序的客服人员进行沟通。客服功能主要用于在小程序内 用户与客服直接沟通用&#xff0c;本篇介绍客服功能的基础开发以及进阶功能的使用&#xff0c;另外介绍多种客服的对接方式。 更多介绍请查看客服消息使用指南 客服视…
阅读更多...
2.4 堆栈

2.4 堆栈

&#x1f393; 微机原理考点专栏&#xff08;通篇免费&#xff09; 欢迎来到我的微机原理专栏&#xff01;我将帮助你在最短时间内掌握微机原理的核心内容&#xff0c;为你的考研或期末考试保驾护航。 为什么选择我的视频&#xff1f; 全程考点讲解&#xff1a;每一节视频都…
阅读更多...
数据结构——排序【下】

数据结构——排序【下】

目录 一、计数排序 二、快速排序 三、归并排序 四、八大排序时间复杂度及其稳定性 一、计数排序 计数排序是一个非基于比较的排序算法&#xff0c;元素从未排序状态变为已排序状态的过程&#xff0c;是由额外空间的辅助和元素本身的值决定的。该算法于1954年由 Harold H. S…
阅读更多...
Github 2024-09-03 Python开源项目日报 Top10

Github 2024-09-03 Python开源项目日报 Top10

根据Github Trendings的统计，今日(2024-09-03统计)共有10个项目上榜。根据开发语言中项目的数量，汇总情况如下： 开发语言项目数量Python项目10HCL项目1JavaScript项目1Payloads All The Things - 有用的Web应用程序安全负载和绕过列表 创建周期：2639 天开发语言：Python协议…
阅读更多...
Go语言？IDEA能支持吗？增删查走起？

Go语言？IDEA能支持吗？增删查走起？

序&#xff1a; 最近突然身边突然开始冒出关于go语言的只言片语&#xff0c;很好奇这个go语言是怎么样的&#xff1f;这几天有空就会去网上浏览一遍各位大咖的简介。这边主要是已学习为目的&#xff0c;关键人家都说它好这边记录一下学习过程的进坑和爬坑过程供大家娱乐一下。…
阅读更多...
echarts3D地图：旋转、添加纹理图片（vue3）

echarts3D地图：旋转、添加纹理图片（vue3）

首先安装echarts和echarts-gl依赖&#xff0c;注意的是&#xff0c;echarts-gl版本需安装低版本&#xff0c;且与echarts5版本不兼容&#xff0c;需要单独安装4版本&#xff0c;这里我安装的4.2.1版本。 $ npm install echarts4npm:echarts4.2.1 echarts-gl1.1.0npm可以安装ec…
阅读更多...
帧中继了解

帧中继了解

定义 帧中继工作在OSI参考模型的数据链路层&#xff0c;是数据链路层使用简化的方法传送和交换数据单元的一种方式。 帧中继的重要特点之一是将X.25分组交换网中分组节点的差错控制、确认重传、流量控制、拥塞避免等处理过程进行简化&#xff0c;缩短了处理时间&#xff0c;这…
阅读更多...
论文速读|通过人类远程操作的深度模仿学习框架：人型机器人的行走操纵技能

论文速读|通过人类远程操作的深度模仿学习框架：人型机器人的行走操纵技能

项目地址&#xff1a;Deep Imitation Learning for Humanoid Loco-manipulation through Human Teleoperation 本文详细介绍了 TRILL&#xff08;Teleoperation and Imitation Learning for Loco-manipulation&#xff09;框架&#xff0c;它是一个用于人型机器人行走操纵技能训…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023